SUMMARY
Previsões de séries temporais auxiliam a tomada de decisão em diversas áreas como marketing, economia e indústria, sendo que a principal finalidade é estimar o comportamento futuro de uma sequência de observações. Nesse sentido, conjuntos de modelos (ensembles) híbridos, que combinam modelos de aprendizado de máquina e estatísticos, têm se mostrado eficientes para prever séries temporais. Entretanto, a correta seleção dos modelos e da combinação em um ensemble é importante para assegurar o desempenho do sistema. Assim, este trabalho propõe e compara diferentes abordagens de ensembles híbridos para melhorar a previsão de séries temporais. São propostos um conjunto de modelos de previsão e diferentes estratégias de combinação para lidar com séries temporais de diferentes padrões. A primeira abordagem de ensembles combina um conjunto de modelos com acurácia utilizando quatro estratégias de combinação. Já a segunda abordagem ensemble seleciona automaticamente modelos e a combinação utilizando meta-heurísticas. As abordagens são comparadas utilizando um novo conjunto de dados de uma empresa de distribuição de cosméticos e um conjunto de dados público. Os resultados demonstram que os ensembles propostos são eficientes para diminuir o erro de previsão.